旋转局部梯度模式特征及其在模糊图像识别中的应用

在图像识别领域,监控摄像头拍摄的图片因光照、距离等因素而导致模糊,然而当前图像识别方法在模糊图像识别上表现不佳。为此,根据迹变换利用迹线扫描整幅图像获取图像特征的思路,提出一种旋转局部梯度模式特征提取方法。利用局部梯度代替像素,在图像每一列上从头到尾选取采样点计算局部梯度模式特征值,同时引入图像旋转思想,图像每旋转一个角度,提取一组特征信息。最终得到有序排列的全局结构性特征,增强了对图像特征空间结构性的表达能力以及旋转不变性。实验结果表明,针对模糊图像的识别,该方法较主流的深度卷积神经网络及传统特征提取方法的识别效果有显著提升。

基于局部梯度和面积重叠合并法的人脸检测

研究了一种人脸检测方法。采用局部梯度模式(Local Gradient Patterns,LGP)提取人脸特征,用AdaBoost学习算法进行了层级分类器的训练。提出了应用面积重叠合并的识别方法(Square Overlap Merge Method,SOMM),可以降低检测错误的正检测误差,同时克服了训练样本少的情况下分类器可靠性差的缺点。实验中采用MIT的人脸数据库进行分类器的训练,并在训练好的分类器的基础上,又进一步采集了6000多张人脸图片,进行分类器的再训练,以求分类器准确可靠。实验证明上述方法能够快速有效的检测人脸,并且能很好的克服光照、姿态、背景、遮挡物等对人脸检测的影响。

基于改进梯度局部二值模式的人脸识别

针对局部二值模式采样不充分和对随机噪声及非一致性光照敏感的问题,提出一种改进梯度局部二值模式(IGLBP)的人脸描述方法。利用多半径和多方向的采样方式获取两组3pixel×3pixel的子邻域,其由2个半径8个方向的16个像素点组成;再将其用梯度局部二值模式提取特征,并将两组特征进行编码融合产生IGLBP值;将得到的IGLBP特征进行分块和统计直方图得到人脸的特征向量,并进行人脸的分类识别。在CAS-PEAL和AR人脸数据库的实验结果表明,该方法能够有效地提取特征信息,对人脸识别中的光照、表情、部分遮挡变化以及噪声等具有较好的稳健性。

基于正交梯度差局部方向模式的人脸识别算法

针对差值局部方向模式(DLDP)识别效果不理想的问题,提出一种基于正交梯度差局部方向模式(OGDLDP)的人脸识别方法。分别将3pixel×3pixel和5pixel×5pixel领域的像素灰度值与两组不同的8个Kirsch算子卷积,将两组边缘响应值按照对应编号相互作差并取绝对值,得到8个水平和垂直方向的边缘响应差值;若将3pixel×3pixel领域得到的近邻边缘响应值,按逆时针方向前后作差并取绝对值,同样会得到8个水平和垂直方向的边缘响应差值。取两组边缘响应差值的最大值对应的方向下标,组成一个二位八进制数,形成OGDLDP码。在YALE和AR人脸库进行实验的结果表明:所提算法提高了识别率,且对光照、表情和遮挡变化有较好的稳健性。

离散小波变换Haar-LL的行人检测研究

提出一种基于二维离散Haar小波变换的局部二值模式(LBP)与局部梯度模式(LGP)的特征融合方法。对图像进行二维离散Haar小波变换,得到4个不同频率的子图像,对低频部分子图像提取LBP特征,对3个高频部分子图像提取LGP特征,将3个LGP特征并接融合后与LBP特征串接融合进行行人检测。在Matlab环境下利用支持向量机(SVM)对INRIA数据集进行5组实验,分别将该方法与梯度方向直方图(HOG)、金字塔梯度方向直方图(PHOG)、LBP、LGP进行检测率、检测时间、光照鲁棒性以及噪声鲁棒性对比。综合各项实验数据表明,该方法在光照鲁棒性以及噪声鲁棒性方面都能取得更好的效果。

基于改进LTP特征与CNN的轮胎痕迹检索算法

在公安案件侦破或交通事故处理中,轮胎痕迹图像检索通常用于获取重要比对线索。由于数据特殊且获取难度较大,目前这方面的研究很少且尚无标准数据库。针对轮胎痕迹图像纹理信息复杂并且集中的特点,提出一种适用于轮胎痕迹图像检索的特征,主要贡献包括:提出一种基于局部梯度方向三值模式的纹理特征描述方法,上述特征能有效地描述轮胎痕迹图像纹理信息,相比其它传统纹理描述特征的平均查准率更高;将迁移学习引入卷积神经网络模型的训练中,通过微调网络获得轮胎痕迹图像的新模型,并提取全连接层特征与局部梯度方向三值模式特征进行融合,产生更精确的轮胎痕迹特征。实验结果表明,融合后的特征更适用于描述轮胎痕迹图像的纹理。

基于改进的HOG和LBP算法的人脸识别方法研究

人脸识别技术易受光照、表情等因素影响,为充分提取人脸特征信息,提出了融合改进的局部二值模式(LBP)和梯度方向直方图(HOG)方法提取人脸图形纹理、细节特征,利用列方向压缩的2DPCA+PCA算法对人脸的特征空间进行降维处理,使用2DPCA算法降低了特征维度,解决了仅仅使用PCA方法,由于人脸图像特征维度高而造成求解模型复杂的问题,降低了计算规模,提高了运算速度。最后,使用ORL和Yale人脸数据库进行实验。结果表明,基于改进的LBP和HOG融合的特征提取具有一定的互补性,与其它的识别算法相比,该改进的算法识别率有了较大的提高,鲁棒性更强。

融合局部特征的面部遮挡表情识别

目的针对人脸表情识别中存在局部遮挡的问题,提出一种融合局部特征的面部遮挡表情识别方法。方法首先,为了减少噪声的影响,利用高斯滤波对归一化后的图像进行去噪处理;然后根据人脸不同部位对表情识别的不同贡献度,将图像划分为两个重要的子区域,并分别对该子区域进行不重叠分块处理;采用改进的中心对称局部二值模式(差值中心对称局部二值模式DCS-LBP)和改进的差值局部方向模式(梯度中心对称局部方向模式GCS-LDP)对各个子块提取相应的特征,并采用级联的方式得到图像的特征直方图;最后结合最近邻分类器对表情图像进行分类识别:利用卡方距离求取测试集图像与训练集图像特征直方图之间的距离,同时考虑到遮挡的干扰以及每个子块包含信息量的不同,利用信息熵对子块得到的卡方距离进行自适应加权。结果在日本女性人脸表情库(JAFFE)和Cohn-Kanade(CK)人脸表情库上进行了3次交叉实验。在JAFFE库中随机遮挡、嘴部遮挡和眼部遮挡分别可以取得92.86%、94.76%和86.19%以上的平均识别率;在CK库中随机遮挡、嘴部遮挡和眼部遮挡分别可以取得99%、98.67%和99%以上的平均识别率。结论该特征提取方法通过融合梯度方向上灰度值的差异以及梯度方向之间边缘响应值的差异来描述图像的特征,更加完整地提取了图像的细节信息。针对遮挡情况,本文采用的图像分割和信息熵自适应加权方法,有效地降低了遮挡对表情识别的干扰。在相同的实验环境下,与经典的局部特征提取方法以及遮挡问题处理方法的对比表明了该方法的有效性和优越性。

元明清陶瓷蕉叶纹纹饰的特征

提出一种借助于人工智能的辅助鉴别方法鉴定具有蕉叶纹饰的古陶瓷年代及真伪,利用局部二值模式(LBP)和方向梯度直方图(HOG)技术从古陶瓷图像的蕉叶纹饰中提取古陶瓷的时代特征,通过蕉叶纹局部二值模式纹饰特征和方向梯度直方图纹饰特征的融合实现古陶瓷的智能断代,并采用纹饰相似度衡量古陶瓷的真、伪可能性。以博物馆现有馆藏古陶瓷图像资料为基础进行实验。结果表明:该方法不仅可以完成古瓷器准确断代,而且能够发现蕉叶纹饰的发展规律,从而强有力地辅助专家的断代工作。此外,基于纹饰特征的相似度分析能够对古陶瓷的真伪辨识提供较有力支撑。